1.一种基于机器视觉的竹条缺陷检测方法，其特征在于，该方法包括以下步骤：步骤S1建立用于竹条识别的神经网络结构，得到用于识别竹条青黄面的识别模型；

步骤S2采集待测竹条的原始图像；

步骤S3对待测竹条的原始图像进行归一化处理；

步骤S4将归一化处理后的图像数据进行特征提取；

步骤S5将所述步骤S4提取的特征输入到步骤S1中所述的识别模型中，判断待测竹条图像的青黄面情况，并根据判断结果分别进行竹青和留白的缺陷检测；

若检测得到的结果为黄面时，进行留白缺陷检测，具体包括以下子步骤：将竹条分成若干部分，对每部分检测区域采用一维最大类间方差法得到参考阈值Th，由该参考阈值Th生成三个亮度较高种子点，利用区域生长算法对缺陷区域进行分割，得到分割后缺陷区域；

若区域生长后缺陷区域与竹条的平均灰度值差E阈值大于12且缺陷区域面积阈值为所在区域的30％至60％，则判断该缺陷为留白缺陷。

2.根据权利要求1所述的一种基于机器视觉的竹条缺陷检测方法，其特征在于，所述步骤S2后还包括步骤S21，将原始图像转化为彩色图像f。

3.根据权利要求2所述的一种基于机器视觉的竹条缺陷检测方法，其特征在于，在所述步骤S21还包括预处理步骤：利用中值滤波去除竹条图像的孤立噪声、保留边缘细节信息；

将彩色图像f转换到HSV颜色空间，并对各通道进行直方图均衡化，再合成得到均衡化后的HSV图像fh。

4.根据权利要求1所述的一种基于机器视觉的竹条缺陷检测方法，其特征在于，在所述步骤S5中，若检测得到的结果为青面时，进行竹青缺陷检测，具体包括以下子步骤：将彩色图像f转化为灰度图像f1；

对竹条进行裁剪，得到包含整体竹条的感兴趣ROI区域；

对竹条的倾斜度进行修正，以使竹条图像呈水平位置；

采用自适应上下阈值的canny算法检测灰度图像f1的边缘，如果边缘的长度大于阈值Length，则对所述边缘进行擦除和过滤操作；筛选出竹条的上下边缘和疑似竹青的边缘，计算上下边缘与竹青边缘的最大宽度Width和竹青的长度Long，并由此得到竹青区域的面积S；

若该竹条的平均灰度与缺陷区域灰度值差K大于15且竹青区域的面积S大于检测区域的0.5％时，判断所述缺陷为竹青缺陷。

5.根据权利要求4所述的一种基于机器视觉的竹条缺陷检测方法，其特征在于，在灰度图像f1中利用radon变换沿水平方向积分投影检测灰度图像f1中的直线Lines，计算竹条的倾斜角度，用仿射变换对灰度图像f1进行旋转，以使竹条图像呈水平位置。

6.根据权利要求1所述的一种基于机器视觉的竹条缺陷检测方法，其特征在于，利用数学形态学的方法对分割后的缺陷部分进行处理。

7.根据权利要求1所述的一种基于机器视觉的竹条缺陷检测方法，其特征在于，在利用区域生长算法对缺陷区域进行分割时，还包括通过计算竹节的跃变特征判断是否存在竹节，若不存在竹节则以缺陷区域与竹条的平均灰度值差和缺陷区域的面积作为特征对竹条进行检测。

8.根据权利要求7所述的一种基于机器视觉的竹条缺陷检测方法，其特征在于，所述竹节的判断方法为：判断每相邻10列的灰度均值差equal，若equal大于10，则生长区域灰度变化的计数值totalA将自动计数；否则局部区域灰度变化的计数值totalB自动计数；当totalA大于0小于3并且totalB大于0时，判断其为竹节，否则判断其不为竹节。

9.根据权利要求7所述的一种基于机器视觉的竹条缺陷检测方法，其特征在于，若存在竹节，则先使用背景填充竹节区域，再以缺陷区域与竹条的平均灰度值差和缺陷区域的面积来进行判断。